Самый надёжный способ уловить, куда смещаются культура и настроения вокруг AI-инструментов — это X, вирусные репозитории на GitHub и Hacker News.
В последнее время там всё чаще встречаются такие "скиллы", как I have ADHD, а также инструкции в Agents.md вроде требования выдавать ответы исключительно на упрощённом техническом английском (ASD-STE100).
Понятна причина такого интереса — многословность и специфические особенности вывода LLM никому не нравятся. Но исправлять это, «очеловечивая» модель, — неверный подход на уровне абстракции.
Проблема в том, что подобные инструкции применяются не после того, как модель закончила работу, а становятся частью самой работы. Если агенту сказано использовать короткие предложения, избегать жаргона, никогда не перегружать пользователя и включать только самое важное — по сути, ему предписывается непрерывно сжимать собственный вывод в формат с более низкой пропускной способностью.
Такое сжатие происходит с потерями.
Что именно было отброшено, заметить обычно невозможно — итоговый текст всё равно читается гладко.
ASD-STE — показательный пример именно потому, что звучит разумно. Стандарт создавался, чтобы сделать документацию однозначной для людей. Но агент — не технический писатель-человек, а необработанное состояние часто представляет собой самую информационно насыщенную форму из доступных. При этом стилистические правила оказываются в том же списке инструкций, что и: решить задачу, корректно использовать инструменты, сохранять абстракции, ничего не сломать.
Ситуация становится ещё более странной, когда агенты начинают общаться друг с другом.
Субагент расследует баг, превращает находки в аккуратную человекочитаемую сводку, родительский агент читает эту сводку и превращает её в ещё одну аккуратную сводку — уже для пользователя.
Если субагент прогнал шесть тестов, не нужна формулировка:
Большинство тестов прошли успешно, хотя стоит обратить внимание на одну проблему.
Нужно вот что:
5/6 PASS
FAIL: test_cache_invalidation
CAUSE: stale key survives restart
REPRO: tests/cache_test.py:184Ещё важнее то, что очеловечивание маскирует сбои.
Агенты ошибаются по-своему полезно и некрасиво: противоречивые данные, незакрытые ветки, стек-трейсы, неопределённые допущения. Человеческая проза прекрасно умеет сглаживать всё это до фраз вроде:
Здесь есть несколько моментов, которые стоит учесть.
Звучит приятнее.
Но куда полезнее вовремя узнать, что агент галлюцинирует или упирается в лимит токенов, чем довольствоваться такой формулировкой.
Любая другая система, которую разрабатывают инженеры, устроена наоборот: базы данных не хранят информацию в формате, в котором её показывает дашборд, компиляторы не делают своё промежуточное представление приятным для чтения, API не обмениваются дружелюбными резюме.
Максимально точное представление данных сохраняется как можно дольше и преобразуется только на границе, где с ним взаимодействует человек. Но инструменты на базе LLM всё чаще делают это в обратном порядке.
Чтобы не было недопонимания: это не аргумент против доступности или персонализации.
Если кому-то нужны ответы в три строки или упрощённый технический английский — прекрасно. Просто делать это стоит в самом конце цепочки.
Пусть агенты сохраняют детальное состояние, пусть субагенты обмениваются схемами, диффами, точными сообщениями об ошибках, уровнем уверенности, происхождением данных. А сжимать всё это для человека нужно уже потом.
Пожалуй, самое интересное в том, что эти вирусные "скиллы" на самом деле указывают в верном направлении.
Пользователи чинят проблему на уровне промпта, хотя решение должно находиться ниже по стеку.
Фраза «говори со мной как с человеком с СДВГ» прекрасно работает как настройка рендеринга, но гораздо хуже — как рабочая инструкция для модели. Долгосрочный вариант — это агенты, чей родной язык точен и ориентирован на машинное взаимодействие, а тёплая, лаконичная человеческая версия генерируется только на границе с пользователем.
Так что вирусные репозитории — не конечная точка, а скорее баг-репорт.